# 数据同化

地下流动系统的地质不确定性常是分层的：既有一组控制整体统计性质的地质元参数，又有逐网格的属性场，两者都要从观测中估计。一种自适应回火序贯蒙特卡洛方法把元参数与高斯潜变量放进同一个似然框架联合估计，用代理模型承担全部前向计算。在四个合成真模型上，它的后验元参数分布与流动预测和参考MCMC结果接近，单GPU数据同化提速2.5–7.0倍，且所需函数评估更少。

地下流动系统的地质不确定性常是分层的：既有一组控制整体统计性质的地质元参数，又有逐网格的属性场，两者都要从观测中估计。一种自适应回火序贯蒙特卡洛方法把元参数与高斯潜变量放进同一个似然框架联合估计，用代理模型承担全部前向计算。在四个合成真模型上，它的后验元参数分布与流动预测和参考MCMC结果接近，单GPU数据同化提速2.5–7.0倍，且所需函数评估更少。

脓毒症重症监护中的血糖数字孪生此前只在预测误差超过阈值后才重新微调模型，属于事后补救。这项工作报告一种主动式流程：冻结的PatchTST基础模型给出一步预测，Actor–Critic强化学习智能体依据最近30分钟血糖窗口和残差历史，对第一步施加不超过±0.05的修正，再递归外推15步。在10名脓毒症ICU患者的逐分钟连续血糖监测数据上，预训练智能体无需按患者重新训练即降低全部10人的一步预测误差，源患者测试集平均绝对百分比误差从0.49%降到0.34%。

脓毒症重症监护中的血糖数字孪生此前只在预测误差超过阈值后才重新微调模型，属于事后补救。这项工作报告一种主动式流程：冻结的PatchTST基础模型给出一步预测，Actor–Critic强化学习智能体依据最近30分钟血糖窗口和残差历史，对第一步施加不超过±0.05的修正，再递归外推15步。在10名脓毒症ICU患者的逐分钟连续血糖监测数据上，预训练智能体无需按患者重新训练即降低全部10人的一步预测误差，源患者测试集平均绝对百分比误差从0.49%降到0.34%。

氨排放反演依赖集合来刻画随气象变化的误差协方差，但每生成一次集合都要反复运行GEM-MACH化学模式。EnsAI改用U-Net卷积网络，从氨排放扰动和温度、风场直接映射出地表氨浓度扰动，生成一周模拟数据每个成员只需7秒，而GEM-MACH在720个计算节点上需约6.5小时。用EnsAI集合做排放反演，全年总排放比GEM-MACH集合反演低2.6%，月度总量差异均在10%以内。

氨排放反演依赖集合来刻画随气象变化的误差协方差，但每生成一次集合都要反复运行GEM-MACH化学模式。EnsAI改用U-Net卷积网络，从氨排放扰动和温度、风场直接映射出地表氨浓度扰动，生成一周模拟数据每个成员只需7秒，而GEM-MACH在720个计算节点上需约6.5小时。用EnsAI集合做排放反演，全年总排放比GEM-MACH集合反演低2.6%，月度总量差异均在10%以内。

德国航空航天中心团队把物理约束神经网络（PINN）用于从稀疏三维拉格朗日粒子追踪数据重建欧拉流场，并在相同预处理数据上与多项式分箱和FlowFit系统比较。在均匀各向同性湍流、湍流边界层合成数据以及风洞实验边界层数据上，PINN在考察的稀疏度范围内给出最低的速度与压力误差，且随粒子密度下降退化更慢。FlowFit在若干密集播种条件下涡量误差更低，其散度残差接近机器精度。

德国航空航天中心团队把物理约束神经网络（PINN）用于从稀疏三维拉格朗日粒子追踪数据重建欧拉流场，并在相同预处理数据上与多项式分箱和FlowFit系统比较。在均匀各向同性湍流、湍流边界层合成数据以及风洞实验边界层数据上，PINN在考察的稀疏度范围内给出最低的速度与压力误差，且随粒子密度下降退化更慢。FlowFit在若干密集播种条件下涡量误差更低，其散度残差接近机器精度。